短時降水的超級集合預報算法研究.pdf

1、隨著數(shù)值模式的不斷發(fā)展，模式本身存在的不確定性問題受到越來越多的關注。利用多參數(shù)化方案進行集合預報的方式可以有效地降低由模式不確定性帶來的誤差。超級集合技術根據(jù)集合成員預報能力的差異，賦予各成員不同的權重系數(shù)，避免了因為集合平均而導致預報能力下降的缺點。
　　本文針對中國夏季梅雨期強降水頻發(fā)及預報困難的特點，嘗試利用超級集合技術構建適用于短時降水的多參數(shù)化方案集合預報。假設各集合成員對一日降水量預報的差異僅由對流參數(shù)化方案決定。因

2、此，選取WRF中5種不同對流參數(shù)化方案構成集合預報成員，并采用集合平均、消除偏差的集合平均、超級集合算法以及經(jīng)驗正交分解的集合算法構建4種集合預報產(chǎn)品。利用2013年梅雨期的一次降水個例檢驗5個集合成員以及4種集合產(chǎn)品在降水個例中的模擬能力，同時研究滑動訓練長度對于超級集合算法的影響。實驗結果表明，對于消除偏差的集合平均方案、超級集合方案以及經(jīng)驗正交分解的集合方案，其預報能力隨著訓練時間的增加而提高；消除偏差的集合平均方案對降水的預報優(yōu)

3、于任何一個集合成員以及其他3個集合預報方案，而采用經(jīng)驗正交分解的集合方案比超級集合方案更加穩(wěn)定。
　　針對超級集合算法的不足，提出采用基于雙重檢驗的逐步回歸算法以及基于集合平均的多元線性回歸算法構造集合預報產(chǎn)品。其中，雙重檢驗的逐步回歸算法可以有效消除超級集合算法中集合成員不顯著的問題，集合平均的多元線性回歸算法可以減小超級集合算法對訓練期觀測平均的依賴程度。分析訓練長度對改進方案算法預報能力的影響發(fā)現(xiàn)，改進算法的預報能力與訓練時